Enfoque Conexionista
CONEXIONISTA
Como alternativa al enfoque simbólico surge el sistema
bottom-up (de abajo a arriba) o sistema conexionista o neuronal. Postula que
previamente a implantar el desarrollo de sistemas cognitivos debe crearse
hardware que procese datos de modo similar a como lo haría un cerebro humano,
imitando a las neuronas y sus conexiones. Con ello se crea un primer objetivo
científico: la creación de la neurona artificial y la conexión con otras muchas
generando redes neuronales.
Su representante doctrinal fue Rosenblatt para quien la
estructura del cerebro humano es esencial para que emerja la función
inteligente. Para ello debe crearse hardware que imite la biología cerebral.
El enfoque consiste en analizar los elementos de más bajo
nivel en los procesos cognitivos que produzcan comportamiento inteligente. Para
alcanzar este fin avanzaron en el desarrollo de la neurona artificial que en
esencia es un algoritmo muy básico que solo aborda escuetas operaciones
aritméticas y una comparación.
La programación de esos elementos se conoce como proceso de entrenamiento o aprendizaje. La interrelación entre las distintas neuronas se denomina conexiones sinápticas. Organizadas en grupos forman una red neuronal artificial. Este tipo de IA se encuentra muy unido al Aprendizaje Automático (o Machine Learning), que consiste en extraer conocimiento sobre datos disponibles utilizando algoritmos para clasificar, agrupar o predecir.
El conocimiento se obtiene mediante inducción. Se alcanza de
lo particular a lo general; es propio del pensamiento científico. Se imitan
pequeños comportamientos inteligentes logrando conductas cada vez más
complejas.
De modo paralelo, se desarrollaron por los investigadores
metodologías para procesar conocimiento en las bases de datos o KDD que
demostraron estructuras y conexiones entre datos.
Esta tecnología se llama Minería de Datos y comparte muchas
características con el Aprendizaje Automático. Aunque suelen emplearse
homónimamente concurren pequeñas diferencias. Ambos buscan en los datos
patrones, pero mientras la Minería de Datos arroja resultados para ser
comprendidos por personas o empresas, el Aprendizaje Automático aplica las
conexiones encontradas al algoritmo que optimiza así su funcionamiento.
Surgen así dos vías para procesar esos datos: Cuando se
aplican técnicas estadísticas se denomina Data Analytics; cuando se aplican
técnicas inductivas de Aprendizaje Automático recibe el nombre de Datos
Masivos.
0 comments